1.本发明涉及一种风力发电量预测分析方法。
背景技术：
2.随着风电接入容量的持续增长，准确的风电功率预测可以给电网调度、机组组合操作、风电场运营维护等提供必要的依据。但由于由于风力资源独特的天然特性，使得风能发电具有随机性的特点，存在着控制难、调度难等问题。因此，为了准确且合理的制定月度电能交易计划，需要对风力发电量进行准确的月度电量预测，一般风场均采用风场整体预测的方式。
3.通常来说，某一区域内的风场具有相似的气候条件，风能能够表现该区域气候变化的特点，这为风场及区域风电场预测提供了有效的依据，有利于实现整体电网调度的控制和优化。但是风电场普遍建场时间较短，且月度预测须将月发电量整体作为一个数据量，导致预测所需数据不足。而且风力发电量与天气信息具有直接关系，但由于月度预测时间尺度较长，天气预报信息准确性会逐渐降低，由于月度后期天气信息预报不准会增大预测误差。
技术实现要素：
4.针对现有技术中存在的缺陷，本发明的目的在于提供一种风力发电量预测分析方法，能够提高风力发电量预测的稳定性与准确性。
5.上述的目的通过以下的技术方案实现：
6.一种风力发电量预测分析方法，包括如下步骤：
7.s1：利用历史数据建立数据库，并采用数据扩充方法得到扩展数据集，所述扩展数据集包括真实收集历史数据、历史补充数据、预测月扩充数据三部分，均以天为单位分别包括每天的最高、最低风速、温度及发电量数据，确定稳定的预测均值与方差数据。
8.s2：采用天气预测法计算预测值，利用kdtree算法进行实现，设置kdtree模型维度，基于历史数据构建三维kdtree空间，空间的三维坐标分别问最高风速、最低风速及温度特征量，预测时通过参考预测日的天气预报信息，将预测节点带入到kdtree模型中，并通过最邻近算法找到与预测节点最邻近的n个历史节点，将该n个历史节点的发电量均值作为kd树单元匹配预测法月度电量预测值。
9.s3：采用历史趋势法计算预测值，通过计算预测数据库各个年份、月份的变动因子对预测月发电量进行分析，利用历史数据各个月份间的非线性关系最终得到趋势法预测值。
10.s4：利用优化计算上述三种预测值的权重，采用权重相加的方式得到最终的风力电量预测值。
11.作为本发明的进一步技术方案，预测结果的准确率评价技术方式为：
[0012][0013]
其中：p
mk
为k时段的实际平均功率，如果被限制出力，则用实时理论功率或可用功率作为计算用实际平均功率。p
pk
为k时段预测平均功率，n为日预报总时段数(正常为96个)。cap为新能源场站实际运行容量。
[0014]
月发电功率预测准确率为：
[0015][0016]
其中t为月日历天数。
[0017]
作为本发明的进一步技术方案，预测结果的合格率评价技术方式为：
[0018][0019]
其中：
[0020]
时，bk＝1
[0021]
时，bk＝0
[0022]
其中：n为日预报总时段数(正常为96个)，月发电功率预测合格率：
[0023][0024]
其中t为月日历天数。
[0025]
本发明所达到的有益效果是：
[0026]
本发明可以提供长周期风电预测，并通过多种预测方法的加权计算，避免只是用一种预测算法时非常容易出现预测稳定性和准确性过低的问题，使得预测数据尽可能趋于真是数据，解决了单一算法整体预测水平过低或过高的问题，获得一个误差最小的预测值，同时本发明并通过算法对所预测数据进行评价，可以同时对算值进行评估与矫正，具有一定的普遍性，可广泛用于地区风电厂的电量预测工作，适合电力生产实际运营要求。
附图说明
[0027]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0028]
附图1是本发明整体预测流程结构示意图；
具体实施方式
[0029]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0030]
如图1所示，该风力发电量预测分析方法，包括以下步骤：
[0031]
s1：利用历史数据建立数据库，并采用数据扩充方法得到扩展数据集，所述扩展数据集包括真实收集历史数据、历史补充数据、预测月扩充数据三部分，采集风力发电功率的历史数据及其对应影响因素的历史数据，存入历史记录数据库中，方便预测时使用。均以天为单位分别包括每天的最高、最低风速、温度及发电量数据，确定稳定的预测均值与方差数据。
[0032]
s2：采用天气预测法，利用kdtree算法进行实现，设置kdtree模型维度，基于历史数据构建三维kdtree空间，空间的三维坐标分别问最高风速、最低风速及温度特征量，预测时通过参考预测日的天气预报信息，将预测节点带入到kdtree模型中，并通过最邻近算法找到与预测节点最邻近的n个历史节点，将该n个历史节点的发电量均值作为kd树单元匹配预测法月度电量预测值。
[0033]
s3：采用历史趋势法计算预测值，通过计算预测数据库各个年份、月份的变动因子对预测月发电量进行分析，利用历史数据各个月份间的非线性关系最终得到趋势法预测值。
[0034]
s4：利用优化计算上述三种预测值的权重，采用权重相加的方式得到最终的风力电量预测值。
[0035]
风电功率预测为未来的风电输出功率，时间分辨率不小于15min，国内大部分风电都是通过集中并网形式接入，其功率波动对电网调度影响较大，风电出力预测的准确率将直接影响电网调度员的调度决策，所以预测结果的准确率评价非常重要。预测结果的准确率评价技术方式为：
[0036][0037]
其中：p
mk
为k时段的实际平均功率，如果被限制出力，则用实时理论功率或可用功率作为计算用实际平均功率。p
pk
为k时段预测平均功率，n为日预报总时段数(正常为96个)。cap为新能源场站实际运行容量。
[0038]
月发电功率预测准确率为：
[0039][0040]
其中t为月日历天数。
[0041]
作为本发明的进一步技术方案，预测结果的合格率评价技术方式为：
[0042][0043]
其中：
[0044]
时，bk＝1
[0045]
时，bk＝0
[0046]
其中：n为日预报总时段数(正常为96个)，月发电功率预测合格率：
[0047][0048]
其中t为月日历天数。
[0049]
通过对预测结果的评估与评价分析，可以充分验证所提数据方法的有效性和综合预测方法的准确性。本发明所述风力发电量预测分析方法可为风力发电电量预测提供可行的解决方法。
[0050]
虽然本发明已经参考特定的说明性实施例进行了描述，但是不会受到这些实施例的限定而仅仅受到附加权利要求的限定。本领域技术人员应当理解可以在不偏离本发明的保护范围和精神的情况下对本发明的实施例能够进行改动和修改。